不同輻射校正順序對影像融合效果和遙感指數的影響分析

張斌 劉新星 劉冰 茹曼

不同輻射校正順序對影像融合效果和遙感指數的影響分析

張斌1,2劉新星3,*劉冰1,2茹曼1,2

（1 河南省航空物探遙感中心，鄭州 450053）（2 河南省地質局礦產資源勘查中心，鄭州 450016）（3 河北地質大學地球科學學院，石家莊 050031）

不同的輻射校正順序會引起各波段均值變化，進而影響影像融合的效果和遙感指數特征。為選擇適合的數據預處理流程，文章研究比較了PC、NNDiffuse和GS三種影像融合方法在不同輻射校正順序下的效果，并分析了歸一化差異植被指數（NDVI）和歸一化差異水體指數（MNDWI）特征。結果顯示：不同處理形式下的PC融合影像均呈現失真現象，GS融合影像的光譜保真度均較高，NNDiffuse融合影像在先校正后融合順序下光譜保真度最高；同時PC融合影像提取的NDVI和MNDWI反映的植被和水體信息效果均較差，而NNDiffuse、GS融合影像提取的以上兩種指數特征都能有效獲取植被和水體信息，兩者各有優勢。據此，最佳提取流程為先大氣校正后影像融合，同時在地物分類和水體信息提取方面應用NNdiffuse融合方法，而在植被信息提取方面應用GS融合方法。

影像融合 輻射校正 光譜保真度 遙感指數 數據預處理 遙感圖像

0 引言

遙感影像融合能夠實現多光譜和全色影像的優勢互補，增強影像的解譯能力。更高空間分辨率的影像能夠提升遙感指數的精度和利用效率[1]。植被指數作為反映植被長勢特征的一個重要遙感指數[2]，在生態環境狀況評價[3]、土地利用/覆被變化[4]、作物長勢與估產[5]、氣候變化[6]等方面發揮了重要作用。水體指數能夠反映地表水時空特征[7]，揭示水體微細特征，如懸浮沉積物的分布、水質的變化[8]，對水資源規劃管理與相關災害監測等具有重要意義[9]。

輻射校正能夠有效消除傳感器、大氣和光照等因素對地物反射的影響，提高影像數據精度。在早期遙感指數應用中，DN值因其預處理簡單、計算方便，常被用來直接估算地表特征[10]，后來在定量遙感中更加注重傳感器、大氣的影響而逐漸采用基于輻射定標的表觀反射率（TOA）和大氣校正的地表反射率（SR）來計算遙感指數[11-14]，文獻[10-14]這些研究中遙感指數的計算大多基于原始多光譜影像獲取，且研究結果一致表明基于大氣校正的地表反射率影像的植被指數和水體指數效果最好。

好的影像融合效果是獲得高質量遙感指數的關鍵，影像融合效果不僅與融合方法有關，同時還受輻射校正先后順序的影響。融合影像的遙感指數計算因數據預處理工作量大，對于如何選取數據預處理流程來獲得高質量的遙感影像和遙感指數，缺少相關對比研究?；诖?，本文以Landsat 8 OLI全色和多光譜影像數據為例，探討采用PC Spectral Sharpening（PC）、NNDiffuse Pan Sharpening（NNDiffuse）、GS Gram-Schmidt Pan Sharpening（GS）三種融合方法在不同輻射校正順序下的融合影像光譜保真度[15-17]，在融合影像的基礎上選取歸一化差異植被指數（NDVI）和歸一化差異水體指數（MNDWI）兩個遙感指數進行特征對比，并分析與原始多光譜遙感指數的相關性，為融合影像及遙感指數在應用前的預處理選擇提供參考依據。

1 材料與方法

1.1 研究區概況

研究區位于河南省南陽市，地處河南省西南部，主要分布在淅川縣、內鄉縣南部、鄧州市西南部，位于32°35′N～33°08′N、111°00′E～111°52′E之間，與陜西省、湖北省相鄰，總面積約2 584 km2。研究區屬北亞熱帶向暖溫帶過渡的季風性氣候，區域內降水量充沛，年降水量在391.3～1 423.7 mm之間，多年平均降水量為804.3 mm，地域分布不均勻，具有西北多東南少的特點。研究區屬長江流域漢江水系，丹江自西北向東南縱貫全境。

1.2 數據源及預處理流程

數據源選取2017年8月9日的Landsat 8 OLI L1TP數據。經過幾何校正和地形校正，影像無云層遮蓋，植被生長茂盛，水體輪廓清晰，數據整體質量較好。

本文將數據預處理流程（輻射校正與影像融合的過程）分為3種形式（見圖1）。處理形式1：首先對原始多光譜和全色影像進行基于原始DN值的影像融合，然后進行輻射定標，最后進行大氣校正；處理形式2：首先分別對原始多光譜和全色影像進行輻射定標，然后進行基于表觀反射率（TOA）的影像融合，最后進行大氣校正；處理形式3：首先對原始多光譜和全色影像進行輻射定標，然后對多光譜定標影像進行大氣校正，最后進行基于地表反射率（SR）的影像融合。在融合影像的基礎上分別提取NDVI和MNDWI。

圖1 影像融合與遙感指數的數據預處理流程

1.3 處理方法

1.3.1 影像融合與評價

目前，基于ENVI5.3平臺的融合方法主要有HSV、Brovey、PC、NNDiffuse、GS等，其中HSV、Brovey方法受波段限制，只能采用3個波段進行融合。為保持原始影像完整的光譜信息，本文選取PC、GS、NNDiffuse三種融合方法對融合影像的光譜保真度進行定性與定量評價。

定性評價是通過目視判讀對融合影像的像質進行評價。定量評價則通過灰度偏差指數（Gray Variance Index，GVI）[18]和相對整體維數綜合誤差（Erreur Relative Globale Adimensionnelle de Synthese，ERGAS）[19-20]兩個指標對多光譜和全色影像融合后的光譜保真度進行評價，其值越小，光譜保真度越好。

1.3.2 輻射校正

輻射校正是為盡可能消除由傳感器引起的測量值誤差和大氣因素引起的誤差，該過程包括輻射定標和大氣校正。輻射定標指通過傳感器的定標修正圖像像元灰度值，得到輻射亮度值，減小傳感器本身產生的誤差，輻射定標公式見式（1）。大氣校正采用MODTRAN4模型的Flaash大氣糾正模塊，將輻射亮度值轉化為地表反射率值，有效消除大氣散射、吸收和反射產生的誤差，獲得地物較為準確的信息[21]。

1.3.3 NDVI與MNDWI計算

NDVI通過測量近紅外（植被強烈反射）和紅光（植被吸收）之間的差異來量化植被信息，計算公式見式（2）。MNDWI則是利用綠波段和短波紅外波段之間的差異來量化水體信息（計算公式見式（3）），該指數可以明顯增強水體與建筑物指數的反差，從而有利于水體信息的準確提取，同時在揭示水質變化、消除陰影上具有顯著優勢。

2 實驗與分析

2.1 影像融合與輻射校正

3種數據處理形式下，基于3種融合方法共獲得9幅影像，如圖2所示。通過對圖2進行定性分析可知，3種處理形式下融合效果的差異主要表現在水體和植被色調、城鎮空間紋理特征上。對于PC融合方法，3幅影像在水體和植被的色調上均有不同程度的失真現象，其中DN_PC影像在水體色調上變化較大；TOA_PC影像在植被色調上變化較大，在城鎮空間紋理特征上表現最好；SR_PC影像在水體和植被色調上變化較小。對于NNDiffuse融合方法，TOA_NNDiffuse影像在水體和植被色調以及城鎮空間紋理特征上效果最差；DN_NNDiffuse影像較好的保持了水體和植被色調及城鎮空間紋理特征；SR_NNDiffuse影像明顯增強了植被和水體效果且提升了城鎮的空間紋理細節。對于GS融合方法，在3種數據處理形式下3幅影像在植被、水體色調及城鎮空間紋理上無明顯差異，且能保持較高的融合質量。

注：第一行由左至右分別為DN_PC影像、TOA_PC影像、SR_PC影像；第二行由左至右分別為DN_NNDiffuse影像、TOA_NNDiffuse影像、SR_NNDiffuse影像；第三行由左至右分別為DN_GS影像、TOA_GS影像、SR_GS影像

各融合影像的定量分析結果見表1。3種數據處理形式下，同一融合方法的ERGAS值相同，GVI值存在差異。對于PC融合方法，DN_PC影像GVI值最大，TOA_PC影像其次，SR_PC影像GVI值最小，其值分別為8.272、8.268、8.243，即先融合后大氣校正影像的GVI值比先大氣校正后融合的要大；NNDiffuse融合方法與PC融合方法具有相同的特點，其中TOA_NNDiffuse影像GVI值最大，其次是DN_NNDiffuse影像，SR_NNDiffuse影像GVI值最小，其值分別為8.391、8.272、7.606；對于GS融合方法，先大氣校正后融合的影像的GVI值比先融合后大氣校正的要大，其中SR_GS影像GVI值最大，為8.239，DN_GS影像和TOA_GS影像GVI值相同，為8.227。上述結果表明：對于PC和NNDiffuse融合方法，先融合后大氣校正比先大氣校正后融合更容易引起融合影像的光譜失真；對于GS融合方法，則是先大氣校正后融合比先融合后大氣校正更容易引起融合影像的光譜失真。結合定性與定量分析，在各處理形式下，GS融合影像效果整體表現較好，PC融合影像效果整體表現較差，NNDiffuse融合影像效果受處理形式不同影響較大，其中SR_NNDiffuse影像融合效果最好，TOA_NNDiffuse影像融合效果最差。

表1 Landsat 8融合影像定量分析結果

Tab.1 Fusion quantitative evaluation of Landsat 8

2.2 NDVI特征分析

3種處理形式下影像的NDVI結果如圖3～4所示。其中，由基于PC融合方法的3種處理結果可以看出：僅西北部、中東部和西南部的高山區植被信息高亮顯示，而低山區和東部耕地植被的灰度值較低，未能真實反映植被分布情況；同時部分水體被誤當作植被而高亮顯示，對應圖4（a）灰度值的占比情況可以看出水體區的灰度值未形成波峰。

基于NNDiffuse融合方法的3種處理結果，能夠較好的反映整體植被覆蓋情況，并能有效的“抑制”水體信息（水體呈黑色），對應圖4（b）可見有明顯的小波峰，峰值在0以下，符合NDVI中水體灰度值分布情況；同時3幅NDVI圖像在水體區出現不少“椒鹽噪聲”，且分布位置不同，說明該融合影像雖能夠有效提取NDVI，但3種處理形式表現不夠穩定，均有不同程度的水體信息被誤提取。

基于GS融合方法的3種處理結果同樣能夠較好反映整體植被覆蓋情況，圖像特征無明顯差別。對應圖4（c）可以看出，3幅融合影像NDVI灰度值較為接近，灰度值范圍更接近[–1,1]，即無論輻射校正的先后順序，GS融合影像的NDVI更穩定；小波峰的峰值小于圖4（b），也說明對抑制水體“椒鹽噪聲”的效果要優于NNDiffuse融合影像的NDVI。

為進一步分析融合后的NDVI變化情況，從NDVI上隨機選取了2 850個樣點分別統計灰度值，并對3種處理形式的融合影像NDVI值與原始影像NDVI值進行相關性分析，線性擬合結果見圖5。通過統計分析，在3種處理形式下，3幅PC融合影像NDVI值與原始影像NDVI值的Pearson相關系數分別為0.230、0.017、0.332，說明PC融合影像NDVI值與原始影像NDVI值相關性弱，即無論輻射校正的先后順序，其NDVI均不適合作為指標參與定量計算；3幅NNDiffuse和3幅GS融合影像NDVI值與原始影像NDVI值的Pearson相關系數分別為0.970、0.975、0.975，0.975、0.975、0.980，相關系數均較高。

圖3 三種不同處理形式的植被指數結果

圖4 NDVI灰度值占比曲線

圖5（d）～（i）可以看出，GS和NNDiffuse融合影像NDVI與原始影像NDVI的擬合度均較高，其中SR_GS影像NDVI與原始影像NDVI之間的判定系數2最大為0.96，說明自變量SR_GS影像NDVI值可以解釋96%的原始影像NDVI值的變化。3幅NNDiffuse融合影像NDVI與原始影像NDVI的判定系數2也達到了0.94以上，故GS和NNDiffuse融合方法在3種處理形式下的NDVI均有較好效果，考慮NDVI獲取的穩定性和可靠性，建議選用基于GS的融合方法先大氣校正后融合的順序獲取NDVI。

圖5 各融合影像與原始影像NDVI值的線性擬合

2.3 MNDWI特征分析

3種處理形式下影像的MNDWI結果如圖6～7所示。由基于PC融合方法的3種處理結果可以看出水體提取的效果均較差，對應圖7（a）未反映出水體信息的波峰。由基于NNDiffuse和GS融合方法的3種處理結果可以看出湖面與河流輪廓清晰，對應圖7（b）和圖7（c）在[0.25,1]之間均存在一個小的波峰，反映出了水體的灰度值占比情況，說明無論輻射校正的先后順序，二者均能夠達到增強水體的效果，其中GS融合影像MNDWI值的穩定性更高。通過統計分析，3種處理形式下，3幅PC融合影像MNDWI值與原始影像MNDWI值的Pearson相關系數分別為0.2、0.458、0.640，說明PC融合影像MNDWI與原始影像的MNDWI相關性弱；3幅NNDiffuse融合影像MNDWI值與原始影像MNDWI值的相關系數分別為0.970、0.970、0.975，GS融合影像MNDWI值與原始影像MNDWI值的相關性系數相同，均為0.975。對融合影像與原始影像的MNDWI值進行線性擬合，結果見圖8。由圖8（f）和圖8（g）～（i）可以看出，SR_NNDiffuse影像、3幅GS融合影像與原始影像MNDWI擬合度最高，其判定系數2均達到0.95，但從擬合直線的斜率和截距看，SR_NNDiffuse影像與3幅GS融合影像相比，斜率和截距最小，說明SR_NNDiffuse影像MNDWI值與原始影像MNDWI值之間的差距最小。

圖6 三種不同處理形式的水體指數提取結果

圖7 MNDWI灰度值占比曲線

圖8 各融合影像與原始影像MNDWI值的線性擬合

3 結束語

前人基于不同輻射校正水平僅研究了原始影像的NDVI變化，未對融合影像及其NDVI和MNDWI特征進行細致的研究。本文基于原始DN值的影像融合、表觀反射率的影像融合和地表反射率的影像融合3種數據處理形式，對比研究影像融合效果和NDVI、MNDWI變化特征，結論如下：3種數據處理形式下以基于地表反射率（SR）的影像融合順序得到的影像，在保持植被、水體和城鎮空間紋理特征上總體效果最好，提取的NDVI、MNDWI反映植被覆蓋與水體輪廓效果最好，但不同的融合方法，其融合效果與NDVI和MNDWI特征也存在差異，其中NNDiffuse融合方法的影像GVI最小，提取的MNDWI與原始影像MNDWI擬合最佳，GS融合方法的影像提取的NDVI與原始影像NDVI擬合最優。

根據此次對Landsat-8的預處理流程的實驗研究，在實際的數據預處理工作中，對于影像地物分類及水體信息的提取，應采用NNdiffuse方法先進行大氣校正再進行影像融合，可有效增強圖像細節，有利于影像分類，提取的MNDWI水體精度更高；對于植被信息提取，采用GS方法按先大氣校正再影像融合的順序，提取的NDVI對植被監測與抑制水體的“椒鹽噪聲”具有優勢。

[1] 符嬌, 劉榮, 林凱祥. PCA結合非下采樣Shearlet變換的遙感圖像融合算法[J]. 航天返回與遙感, 2022, 43(1): 108-119. FU Jiao, LIU Rong, LIN Kaixiang. A New Fusion Algorithm for Remote Sensing Images Based on PCA and Non-Subsampled Shearlet Transform[J]. Spacecraft Recovery & Remote Sensing, 2022, 43(1): 108-119. (in Chinese)

[2] 徐爽, 沈潤平, 楊曉月. 利用不同植被指數估算植被覆蓋度的比較研究[J]. 國土資源遙感, 2012, 24(4): 95-100. XU Shuang, SHEN Runping, YANG Xiaoyue. A Comparative Study of Different Vegetation Indices for Estimating Vegetation Coverage Based on the Dimidiate Pixel Model[J]. Remote Sensing for Land & Resources, 2012, 24(4): 95-100. (in Chinese)

[3] 繆鑫輝, 梁勤歐. 基于遙感生態指數的甬江流域生態環境變化分析[J]. 長江流域資源與環境, 2021, 30(2): 427-438. MIAO Xinhui, LIANG Qinou. Analysis of Ecological Environment Changes in Yongjiang River Based on Remote Sensing Ecological Index[J]. Resources and Environment in the Yangtze Basin, 2021, 30(2): 427-438. (in Chinese)

[4] 馬海云, 張林林, 魏學瓊, 等. 2000–2015年西南地區土地利用與植被覆蓋的時空變化[J]. 應用生態學報, 2021, 32(2): 618-628. MA Haiyun, ZHANG Linlin, WEI Xueqiong, et al. Spatial and Temporal Variations of Land Use and Vegetation Cover in Southwest China from 2000 to 2015[J]. Chinese Journal of Applied Ecology, 2021, 32(2): 618-628. (in Chinese)

[5] 高中靈, 徐新剛, 王紀華, 等. 基于時間序列NDVI相似性分析的棉花估產[J]. 農業工程學報, 2012, 28(2): 148-153. GAO Zhongling, XU Xingang, WANG Jihua, et al. Cotton Yield Estimation Based on Similarity Analysis of Time-Series NDVI[J]. Transactions of the CSAE, 2012, 28(2): 148-153. (in Chinese)

[6] 周玉科. 青藏高原植被NDVI對氣候因子響應的格蘭杰效應分析[J]. 地理科學進展, 2019, 38(5): 718-730. ZHOU Yuke. Detecting Granger Effect of Vegetation Response to Climatic Factors on the Tibetan Plateau[J]. Progress in Geography, 2019, 38(5): 718-730. (in Chinese)

[7] 董飛, 張玉彪, 黃登紅, 等. 喀斯特山區地表水時空變化分析——以貴陽市為例[J]. 河南科技, 2022, 41(13): 109-113. DONG Fei, ZHANG Yubiao, HUANG Denghong, et al. Analysis of Temporal and Spatial Variations of Surface Water in Karst Mountainous Areas—Taking Guiyang City as an Example[J]. Henan Science Technology, 2022, 41(13): 109-113. (in Chinese)

[8] 徐涵秋. 利用改進的歸一化差異水體指數(MNDWI)提取水體信息的研究[J]. 遙感學報, 2005(5): 589-595. XU Hanqiu. A Study on Information Extraction of Water Body with the Modified Normalized Difference Water Index(MNDWI)[J]. Journal of Remote Sensing, 2005(5): 589-595. (in Chinese)

[9] 張磊, 韓秀珍, 翁富忠, 等. 基于Sentinel-2A MSI數據的水體信息提取算法對比研究[J]. 激光與光電子學進展, 2022, 59(12): 505-515. ZHANG Lei, HAN Xiuzhen, WENG Fuzhong, et al. Comparison of Water Information Extraction Algorithms Based on Sentinel-2A MSI Data[J]. Laser & Optoelectronics Progress, 2022, 59(12): 505-515. (in Chinese)

[10] GOWARD S N, TUCKER C J, DYE D G. North American Vegetation Patterns Observed with the NOAA-7 Advanced Very High Resolution Radiometer[J]. Plant Ecology, 1985, 64(1): 3-14.

[11] 李小英, 顧行發, 余濤, 等. CBERS-02 WFI的輻射交叉定標及其對植被指數的作用[J]. 遙感學報, 2006(2): 211-220. LI Xiaoying, GU Xingfa, YU Tao, et al.Radiometric Cross-Calibration of CBERS-02 WFI with MODIS and the Effect on VI[J]. Journal of Remote Sensing, 2006(2): 211-220. (in Chinese)

[12] 龔建周, 夏北成. 基于大氣輻射校正的廣州市植被覆蓋度遙感估算[J]. 應用生態學報, 2007(3): 575-580. GONG Jianzhou, XIA Beicheng. A Remote Sensing Estimation of Vegetation Coverage in Guangzhou Based on the Correction of Atmospheric Radiation[J]. Chinese Journal of Applied Ecology, 2007(3): 575-580. (in Chinese)

[13] 胡凱龍, 劉明, 劉明博, 等. 高分多模衛星在洪澇災害監測中的應用[J]. 航天器工程, 2021, 30(3): 218-224. HU Kailong, LIU Ming, LIU Mingbo, et al. Application of GFDM-1 Satellite in Flood Disaster Monitoring[J]. Spacecraft Engineering, 2021, 30(3): 218-224. (in Chinese)

[14] 徐涵秋.從增強型水體指數分析遙感水體指數的創建[J]. 地球信息科學, 2008, 10(6): 776-780. XU Hanqiu. Comment on the Enhanced Water Indes (EWI): A Discussion on the Creation of a Water Index[J]. Geo Information Science, 2008, 10(6): 776-780. (in Chinese)

[15] 高永剛, 周文靜, 徐涵秋. 遙感影像融合與輻射校正順序關系探討[J]. 福州大學學報(自然科學版), 2017, 45(6): 833-839. GAO Yonggang, ZHOU Wenjing, XU Hanqiu. Study on Order Relation between Image Fusion and Radiometric Correction of Remote Sensing Images[J]. Journal of Fuzhou University (Natural Science Edition), 2017, 45(6): 833-839. (in Chinese)

[16] 王芳, 楊武年, 王建, 等. 國產高分衛星像素級影像融合及其質量評價[J]. 測繪科學, 2021, 46(8): 73-80. WANG Fang, YANG Wunian, WANG Jian, et al. Chinese High-Resolution Satellite Pixel Level Image Fusion and Its Quality Evaluation[J]. Science of Surveying and Mapping, 2021, 46(8): 73-80. (in Chinese)

[17] 王海榮, 郭擎, 李安. 波段自適應細節注入的高分五號與Sentinel-2遙感影像空譜融合[J]. 中國圖象圖形學報, 2021, 26(8): 1896-1909. WANG Hairong, GUO Qing, LI An. Spatial-Spectral Fusion Based on Band-Adaptive Detail Injection for GF-5 and Sentinel-2 Remote Sensing Images[J]. Journal of Image and Graphics, 2021, 26(8): 1896-1909. (in Chinese)

[18] 吳連喜, 梁波, 劉曉梅. 保持光譜信息的遙感圖像融合方法研究[J]. 測繪學報, 2005(2): 118-122, 128. WU Lianxi, LIANG Bo, LIU Xiaomei. A Spectral Preservation Fusion Technique for Remote Sensing Images[J]. Acta Geodaetica et Cartographica Sinica, 2005(2): 118-122, 128. (in Chinese)

[19] MARIA G A, XAVIER O, OCTAVI F, et al. A Low Computational-Cost Method to Fuse IKONOS Images Using the Spectral Response Function of Its Sensors[J]. IEEE TransactionsonGeoscienceand Remote Sensing, 2006, 44(6): 1683-1691.

[20] 李昌潔, 宋慧慧, 張開華, 等. 條件生成對抗遙感圖像時空融合[J]. 中國圖象圖形學報, 2021, 26(3): 714-726. LI Changjie, SONG Huihui, ZHANG Kaihua, et al. Spatiotemporal Fusion Satellite Images via Conditional Generative Adversarial Learning[J]. Journal of Image and Graphics, 2021, 26(3): 714-726. (in Chinese)

[21] 李斌, 秦明周, 張鵬巖. Landsat 8遙感影像NDVI的對比研究[J]. 河南大學學報(自然科學版), 2017, 47(2): 155-161. LI Bin, QIN Mingzhou, ZHANG Pengyan. Comparative Study on NDVI of Landsat 8 Remote Sensing Image[J]. Journal of Henan University (Natural Science), 2017, 47(2): 155-161. (in Chinese)

Image Fusion and Remote Sensing Index Feature Analysis Based on Different Radiometric Correction Sequences

ZHANG Bin1,2LIU Xinxing3,*LIU Bing1,2RU Man1,2

（1 Henan Aero Geophysical Survey and Remote Sensing Center, Zhengzhou 450053, China）（2 Mineral Resources Exploration Center of Henan Geological Bureau, Zhengzhou 450016, China）（3 School of Earth Science, Hebei GEO University, Shijiazhuang 050031, China）

Different radiometric correction sequences can cause changes in the mean values of each band, which can in turn affect the effectiveness of image fusion and remote sensing index features. To select an appropriate data preprocessing flow, this study compared the effects of three image fusion methods (PC, NNDiffuse, and GS) under different radiometric correction sequences, and analyzed the features of the normalized difference vegetation index (NDVI) and the normalized difference water index (MNDWI). The results showed that under all radiometric correction sequences, the PC fused image was prone to spectral distortion, while the spectral fidelity of the three GS fused image was high, and the NNDiffuse fused image had higher spectral fidelity when the correction was performed before fusion. Therefore, it is recommended to use the NNDiffuse method for land classification and water information extraction by performing atmospheric correction before image fusion, which can enhance image details and improve MNDWI water accuracy. For vegetation information extraction, the GS method should be used by performing atmospheric correction before image fusion to enhance the monitoring ability of NDVI vegetation.

image fusion; radiometric correction; spectral fidelity; remote sensing index; data pre-processing;remote sensing image

TP751

A

1009-8518(2023)05-0072-11

10.3969/j.issn.1009-8518.2023.05.009

張斌，男，1987年生，2013年獲中國礦業大學地球探測與信息技術專業工學碩士學位，工程師。主要研究方向為遙感與對地觀測。E-mail：zhangbin2602@163.com。

劉新星，男，1987年生，2016年獲中國地質大學礦物學、巖石學、礦床學專業博士學位，副教授。主要研究方向為遙感地質與資源評價。E-mail：liuxinxing963@163.com。

2022-12-28

國家自然科學基金（41702352）；河南省青年人才托舉工程（2022HYTP003）

張斌, 劉新星, 劉冰, 等. 不同輻射校正順序對影像融合效果和遙感指數的影響分析[J]. 航天返回與遙感, 2023, 44(5): 72-82.

ZHANG Bin, LIU Xinxing, LIU Bing, et al. Image Fusion and Remote Sensing Index Feature Analysis Based on Different Radiometric Correction Sequences[J]. Spacecraft Recovery & Remote Sensing, 2023, 44(5): 72-82. (in Chinese)

（編輯：夏淑密）